特許ウォッチ

公開番号2025039550
公報種別公開特許公報(A)
公開日2025-03-21
出願番号2024153583
出願日2024-09-06
発明の名称機械学習を使用した未観測の定量的測定値の予測
出願人テンプスエーアイ,インコーポレイティド
代理人個人,個人,個人,個人,個人
主分類C12Q 1/00 20060101AFI20250313BHJP(生化学;ビール;酒精;ぶどう酒;酢;微生物学;酵素学;突然変異または遺伝子工学)
要約【課題】機械学習を使用した未観測の定量的測定値の予測を提供する。
【解決手段】コンピューティング環境100において、機械学習を使用した未観測の定量的測定値の予測を行うために、定量的測定値予測コンピューティングデバイス102は、訓練された機械学習モデルを使用して新規の定量的測定値の入力を受け取って処理し、1つ以上の予測される実験細胞定量的測定値を生成し、生成した訓練定量的測定値データに基づき、訓練定量的測定値データを処理することによって、新規の定量的測定値の入力に基づいて予測される実験細胞生存可能性測定値を生成するように機械学習モデルを訓練して、機械学習モデルをコンピュータのメモリに訓練された機械学習モデルとして記憶する。
【選択図】図1
特許請求の範囲【請求項１】
実験室での実験の負荷を軽減するために、定量的測定値データを使用して訓練された機械学習モデルを使用して未測定の定量的測定値実験細胞定量的測定値の予測を行うためのコンピュータ実施方法であって、前記方法が、
１つ以上のプロセッサを介して、新規の定量的測定値の入力を受け取ることと、
前記機械学習モデルを使用して前記新規の定量的測定値の入力を処理し、１つ以上の予測される実験細胞定量的測定値を生成することと、を含む、コンピュータ実施方法。
続きを表示（約 1,200 文字）【請求項２】
前記機械学習モデルが、回帰機械学習モデル又は分類機械学習モデルであり、
前記新規の定量的測定値の入力が、定量的測定値の疎行列を含む、請求項１に記載のコンピュータ実施方法。
【請求項３】
前記回帰機械学習モデルが、（ｉ）ランダムフォレストモデル、（ｉｉ）ＸＧブーストモデル、（ｉｉｉ）人工ニューラルネットワーク、（ｉｖ）ガウス回帰モデル、（ｖ）サポートベクトルマシン、又は（ｖｉ）リッジ及びラッソ回帰モデルのうちの少なくとも１つである、請求項２に記載のコンピュータ実施方法。
【請求項４】
前記回帰機械学習モデルが、単一又は複数のターゲットの平均二乗誤差コスト関数を含む、請求項２に記載のコンピュータ実施方法。
【請求項５】
前記予測される実験細胞定量的測定値が、実験又は実験結果に関連付けられた少なくとも１つの顕微鏡画像を含む、請求項１に記載のコンピュータ実施方法。
【請求項６】
前記機械学習モデルが、少なくともいくつかのマスクされた訓練定量的測定値データで訓練されたものである、請求項２に記載のコンピュータ実施方法。
【請求項７】
前記機械学習モデルが、入力画像を符号化及び復号することが可能であり、かつ、１つ以上の明視野訓練画像及び／又は１つ以上の蛍光訓練画像を含む定量的測定値データを使用して訓練された人工ニューラルネットワークであり、
前記新規の定量的測定値の入力が、連続的潜在空間埋め込みの少なくとも１つの点に対応する、請求項１に記載のコンピュータ実施方法。
【請求項８】
前記人工ニューラルネットワークが、変分自動符号器ネットワーク、トランスフォーマーネットワーク、リカレントニューラルネットワーク、又は長短期ネットワークである、請求項７に記載のコンピュータ実施方法。
【請求項９】
前記機械学習モデルが、
前記明視野又は蛍光訓練画像の１つ以上の部分を、前記１つ以上の訓練画像の圧縮された低次元表現を表す前記連続的潜在空間埋め込みにマッピングするように訓練された符号器と、
前記連続的潜在空間埋め込みからサンプリングすることによって、１つ以上の連続的潜在空間埋め込みを再構成画像の１つ以上の部分にマッピングして、前記訓練画像の１つ以上の部分に対応する再構成された入力を生成し、かつ、前記再構成された入力と前記訓練入力の前記１つ以上の部分との間の比較に基づいて、前記連続的潜在空間埋め込みを更新するように、１つ以上のプロセッサを介して訓練された復号器と、を含む、請求項７に記載のコンピュータ実施方法。
【請求項１０】
前記機械学習モデルを使用して、画像から生存可能性若しくは相乗効果スコア又は他の定量的測定値メトリックを予測することを更に含む、請求項９に記載のコンピュータ実施方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、機械学習を使用して未観測の定量的測定値を予測するための方法及びシステムに関し、より具体的には、訓練された機械学習モデルを使用して新規の入力を処理することにより、予測される実験細胞定量的測定値を生成するための技術に関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
本明細書に提供される背景説明は、本開示の文脈を概して提示する目的のためのものである。本発明者の著作物は、本背景セクションに記載されている範囲で、並びに出願時に他の方法では先行技術として適格でない可能性がある本明細書の態様は、本開示に対する先行技術として明示的にも黙示的にも認められていない。
【０００３】
実験で特性（例えば、薬剤に対する用量反応関係）を測定することは困難である。そのような関係はしばしば非線形であり、これは、薬剤用量とその効果との間の関係は比例しないことを意味する。いくつかの場合では、低用量の薬剤で効果がほとんどないこともある一方で、わずかに増量することで大きな効果が得られることもある。２つの薬剤の併用効果が単純な相加パターンに従わない可能性があるため、この非線形性によって相乗効果の評価が複雑になる可能性がある。
【０００４】
薬剤によっては飽和状態に達するものがあり得る。その状態では、特定のレベルを超えて用量を増やしても効果が比例して増加しない。この飽和効果は、薬剤を異なる用量で併用しても応答が停滞する可能性があるため、相乗的相互作用の決定が不明瞭にする可能性がある。
【０００５】
特定の薬剤は閾値作用を示すことがあり、その効果は特定の用量に達するまで観測されない可能性がある。その薬剤は、この閾値を下回ると、効果をほとんど又はまったく示さない可能性がある。複数の薬剤を併用する場合、特に個々の薬剤の閾値用量が著しく異なると、相乗効果を達成するための適切な用量を決定することは困難であり得る。
【０００６】
個々の薬剤の完全な用量反応データを取得することが、相乗的相互作用を正確に評価するための解決策になり得る。ただし、実際には、ロジスティクス上の制約又は倫理的考慮により、研究者は限られたデータポイントにしかアクセスできない場合がある。このデータの制約により、相乗効果をもたらす用量の配合を正確に同定することが困難になる可能性がある。
【０００７】
薬剤の毒性は、用量に依存し得る。より低い用量は十分に忍容され得るが、より高い用量又は薬剤の配合は、有害反応又は有害な副作用をもたらす虞がある。相乗効果を検査する場合、所望の治療効果と潜在的な毒性とのバランスをとることが重要である。
【０００８】
薬剤によっては、時間に依存する効果を示すことがあり、その影響が時間の経過とともに増加又は減少する。この時間的な態様は、薬剤投与のタイミング及び順序が全体的な反応に影響を及ぼす可能性があるため、相乗効果の測定に別の複雑なレイヤを加えることになる。
【０００９】
人々は、遺伝的差異、年齢、基礎となる健康状態、及び他の要因のために、薬剤用量に対する反応が大きく変動する可能性がある。用量反応関係における個々の変動により、多様な集団における相乗効果の評価が更に複雑になる。
【００１０】
がんを含む様々な医学的状態を治療するために２つ以上の薬剤を同時に送達する併用療法は、個々の薬剤用量、投与間隔、及び副作用を同時に減少させると同時に、有効性を高めることができる。組み合わせたときに相乗効果を有する可能性のある薬剤を同定するために、様々な用量レベル又は濃度で前臨床インビトロ又はインビボ実験で、薬剤の配合が様々な用量範囲にわたって測定されている。これらの結果により、配合比率を変動させて薬剤反応／効果を記録する用量反応行列が作成される。
（【００１１】以降は省略されています）

関連特許